引入动态动量因子的共轭梯度多模盲均衡算法

为了克服传统多模算法收敛速度慢的缺点,提出了引入动态动量因子的共轭梯度多模盲均衡算法。该算法将共轭梯度方法及动量项引入多模算法中,得到了引入动量项的共轭梯度多模盲均衡算法的迭代公式。在研究动量因子变化规律的基础上,进一步引入指数函数的变形形式,构造了动量因子与误差之间的非线性函数关系。利用误差的递减规律实现动量因子的自适应减小,从而达到加快收敛速度,降低稳态误差的目的。理论分析和仿真结果均表明:提出的新算法与传统多模算法及共轭梯度多模算法相比较,能够有效地提高收敛速度,并且降低了稳态均方误差。     

归一化自适应共轭梯度恒模盲均衡仿真研究

为提高恒模盲均衡算法收敛速度,提出了一种归一化自适应共轭梯度恒模盲均衡算法并进行了仿真研究。利用级联滤波方法对恒模盲均衡器输入进行了重新定义,并在此基础上采用自适应共轭梯度算法对均衡器参数进行更新,对均衡器输入采用归一化进行处理,以保证算法的稳定性。共轭梯度算法计算复杂度介于LMS和RLS算法之间,与LMS算法相比较具有更快的收敛速度,仿真结果证明归一化自适应共轭梯度算法恒模盲均衡与传统恒模盲均衡算法相比具有更好的均衡性能,复杂信道条件下剩余码间干扰可降低约10 dB,均衡系统中引入的级联滤波器可视为时变信道的一部分,表明算法对于时变信道同样有效。     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

采用输出误差符号判决的变步长常数模盲均衡

针对固定步长常数模盲均衡算法在收敛速度和收敛精度上存在矛盾问题,提出了一种采用输出误差符号判决的变步长常数模盲均衡算法。在每次迭代后根据常数模准则和判决引导准则计算均衡器输出误差。如果在两种准则下输出误差符号一致,则对步长值进行修正,否则,根据自适应均衡原理利用均衡器输入信号计算最大步长值,均衡器权系数采用大步长值进行更新。与现有变步长盲均衡算法比较,无需人工设置参数,更利于工程实现。计算机仿真结果证明,采用输出误差符号判决的变步长常数模盲均衡具有良好的均衡性能。     

采用输出误差符号判决的变步长常数模盲均衡

针对固定步长常数模盲均衡算法在收敛速度和收敛精度上存在矛盾问题,提出了一种采用输出误差符号判决的变步长常数模盲均衡算法。在每次迭代后根据常数模准则和判决引导准则计算均衡器输出误差。如果在两种准则下输出误差符号一致,则对步长值进行修正,否则,根据自适应均衡原理利用均衡器输入信号计算最大步长值,均衡器权系数采用大步长值进行更新。与现有变步长盲均衡算法比较,无需人工设置参数,更利于工程实现。计算机仿真结果证明,采用输出误差符号判决的变步长常数模盲均衡具有良好的均衡性能。     

采用瞬时梯度变化率判决的双模式盲均衡算法

为进一步提高恒模盲均衡算法的性能,文中提出了一种采用瞬时梯度变化率判决的双模式盲均衡算法。利用两次相邻均衡迭代前后的归一化权值变化量定义瞬时梯度变化率,并依此设置判据实现均衡迭代过程中的恒模算法和判决引导算法的适时切换,实现双模式盲均衡算法。双模式盲均衡算法可以有效结合恒模算法稳健和判决引导算法快速收敛和收敛精度高的优点,提高盲均衡算法的性能,计算机仿真结果证明了算法的有效性。     

基于梯度矢量平均值的变步长恒模盲均衡算法

提出了一种新的变步长恒模盲均衡算法。新算法采用梯度矢量平均值的平方值作为调整步长的参量,解决了传统恒模算法(CMA:Constant Modulus Algorithm)中,由于采用固定步长而造成的收敛速度与收敛精度之间的矛盾。理论分析和计算机仿真实验均表明,新算法与传统的恒模算法相比,具有更快的收敛速度和更小的稳态剩余误差。     

引入Renyi熵的正交小波盲均衡的快速算法

把一种最新的基于Renyi熵的随机梯度最陡下降的盲均衡算法引入到正交小波CMA盲均衡(WBCMA)中，使得正交小波盲均衡算法的收敛速度显著增加，而计算量却增加很少。     

基于随机均衡配流的O-D量估计双层规划模型及算法

在传统随机均衡配流模型的基础上,提出了一种增广的随机用户均衡配流模型及其求解算法。在此基础上构造了一个双层规划模型,用以描述基于随机用户均衡原则的从路段观测流量估计O-D交通量的问题,并给出了相应的求解算法。该模型及其求解算法对于解决O-D估计问题是可行有效的。     

水箱液位多变量系统辨识方法的比较

针对流程工业中广泛使用的多反应塔液位控制系统,以三水箱液位系统为例,利用伯努利流体力学原理,推导了液位系统的多变量非线性数学模型.采用线性化和离散化方法,获得系统的状态空间模型和传递矩阵模型,分析辨识该多输入多输出模型的遗忘梯度算法、子系统遗忘梯度算法和递阶遗忘梯度算法,并对这3种算法进行仿真比较.结果表明,递介遗忘梯度算法计算量最小,计算效率最高,但参数估计性能介于遗忘梯度算法和子系统遗忘梯度算法之间.     

随机期望值模型的适应值预测差分进化算法

随机期望值模型是一类有着广泛应用背景的随机规划问题．针对此问题，提出了一种基于适应值预测的差分进化算法，该算法主要是把适应值预测技术、随机模拟技术与差分进化算法结合．最后，通过实例仿真，数值结果表明所提出的算法是有效的和可行的．     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

自适应格形联合估计算法的收敛性能

本文应用随机算子方法,分析了自适应格形联合估计算法的均方收敛性能,讨论了有关超量失调的问题,建立了自适应情况下格形算法的超量失调级联模型,推导了估算公式.计算机模拟结果和分析基本符合.     

交叉熵蝙蝠算法求解期权定价模型参数估计问题

期权定价模型的参数估计问题通常是非线性优化问题,且是非凸优化问题,经典的优化方法已不再适用。为此探寻用交叉熵蝙蝠算法来求解Merton跳-扩散模型、Heston随机波动模型和Bates带跳的随机波动模型的参数估计问题。实证结果表明该方法是有效可行的。     

多新息随机梯度辨识方法的收敛性研究

从理论上给出了多新息辨识方法的推导过程,提出了多新息随机梯度辨识方法,并运用随机过程理论分析了多新息随机梯度辨识方法的均方收敛性,给出参数估计误差上界的计算公式。分析表明数据的平稳性可以提高参数估计精度。最后给出了多新息辨识方法的各种典型变形。     

Simulation-Based Optimization for the Fast Fashion Replenishment

Fast fashion is a commercial pattern which provides fashionable clothes at affordable price.This mode needs rapid response supply chain to respond to varying fashion trends.New styles are introduced in every sale period to cover fashion trends.In order to maximize profits,replenishment quantity of each style should be decided in every period.The purchasing and replenishing process over multiple periods based on uncertainty customer demand is modeled,which is formulated by a stochastic choice process.Heterogeneous consumers visit a store in a stochastic sequence and choosing dynamically from the available fashion styles(buy or not buy) according to a utility maximization criterion.The purchase process in a retail shop for multi-period is simulated.An algorithm which combines simulated anneal(SA) with gradient estimation is proposed to find the optimal replenishing strategy from the simulation program.     

基于共轭梯度迭代算法受控AR模型的参数辨识

推导了单输入单输出系统的辅助模型,它有助于减少计算量和提高共轭梯度迭代算法（新算法）的收敛速度.相比于受控移动平均模型中所提出的交互式随机梯度算法,新算法用更少的迭代步骤就可求出模型的参数估计.另外,新算法能避免出现矩阵的逆矩阵形式.对新算法与双共轭梯度算法进行比较,并给出数值实例检验新算法的有效性.